Представлен Einstein Fields (`EinFields`) — неявные нейронные сети для сжатия вычислительно затратных 4D-симуляции из области численной относительности в компактные веса нейросети
Вместо традиционных дискретных сеточных методов
Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD)
Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности
Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов
Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и
фундаментальной науки
Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления
Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках
В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей
Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению
Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети
Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики
Методология: выучиваем ткань пространства-времени
Ядро
Метрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи
Методология строится на нескольких ключевых принципах:
Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского
Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона
Einstein Fields: A Neural Perspective To Computational General Relativity
Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter
https://arxiv.org/abs/2507.11589
https://github.com/AndreiB137/EinFields
https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective
Вместо традиционных дискретных сеточных методов
EinFields моделирует метрический тензор — как непрерывную функцию пространственно-временных координат Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD)
Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности
EinFields достигают коэффициентов сжатия до 4000x, сохраняя при этом высокую точность Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов
Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и
фундаментальной науки
Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления
Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках
В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей
Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению
Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети
Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики
Методология: выучиваем ткань пространства-времени
Ядро
EinFields — это нейронная сеть (обычно многослойный перцептрон, MLP), которая выучивает представление метрического тензораМетрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи
Методология строится на нескольких ключевых принципах:
Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского
Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона
Einstein Fields: A Neural Perspective To Computational General Relativity
Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter
https://arxiv.org/abs/2507.11589
https://github.com/AndreiB137/EinFields
https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective
arXiv.org
Einstein Fields: A Neural Perspective To Computational General Relativity
We introduce Einstein Fields, a neural representation that is designed to compress computationally intensive four-dimensional numerical relativity simulations into compact implicit neural network...
Ml для моделирования, прогнозирования и планирования процессов
Проект реализуется в рамках соответствующего контракта со структурами АП, в рамках исполнения Указа Президента «Об основах государственной политики в сфере стратегического планирования»
Проект реализуется в рамках соответствующего контракта со структурами АП, в рамках исполнения Указа Президента «Об основах государственной политики в сфере стратегического планирования»
Нанопоровое секвенирование активнее используется в лабораториях: компактное оборудование, быстрое получение длинных прочтений, возможность работы в полевых условиях — всё это делает технологию особенно привлекательной для молекулярных биологов
Но вместе с доступностью платформы растёт и объём данных, которые приходится обрабатывать самим исследователям
Сегодня уже недостаточно просто загрузить образец в прибор — чтобы получить осмысленный результат, нужно уметь уверенно работать с сигналами, выравниваниями, сборками и вариантами
Базовая биоинформатика становится неотъемлемой частью лабораторной практики
Но вместе с доступностью платформы растёт и объём данных, которые приходится обрабатывать самим исследователям
Сегодня уже недостаточно просто загрузить образец в прибор — чтобы получить осмысленный результат, нужно уметь уверенно работать с сигналами, выравниваниями, сборками и вариантами
Базовая биоинформатика становится неотъемлемой частью лабораторной практики
Квантовое преобразование Фурье — это не просто красивая математическая абстракция, а настоящий «швейцарский нож» квантовых вычислений
Пусть есть сложный квантовый сигнал — суперпозиция множества состояний с разными амплитудами
Классический компьютер должен был бы анализировать каждую компоненту по отдельности, что заняло бы экспоненциальное время
QFT же благодаря квантовому параллелизму анализирует все компоненты одновременно
В основе QFT лежит та же математическая идея, что и в классическом преобразовании Фурье: любой сигнал можно разложить на синусоиды разных частот
Но в квантовом случае «сигналом» служит вектор амплитуд квантового состояния, а «частоты» — это фазовые соотношения между базисными состояниями
Классический алгоритм быстрого преобразования Фурье требует O(N log N) операций для обработки N точек данных
Квантовый же требует всего O(n2) квантовых гейтов для n кубитов, где N = 2n
Это означает экспоненциальное ускорение: для обработки миллиона точек классически нужно около 20.000.000 операций, квантово — всего 400 гейтов!
Секрет такой эффективности — в умной декомпозиции. QFT можно представить как произведение простых операций: гейтов Адамара и контролируемых фазовых сдвигов
Каждый кубит последовательно обрабатывается гейтом Адамара, который создаёт суперпозицию, а затем серией контролируемых поворотов, которые вносят нужные фазовые сдвиги в зависимости от состояний других кубитов
Практическая реализация на Qiskit выглядит удивительно компактно:
Ещё одно удивительное свойство QFT — его обратимость
Поскольку это унитарное преобразование, существует обратный QFT†, который точно восстанавливает исходное состояние
Это критически важно для квантовых алгоритмов, когда нужно «распаковать» информацию из частотного представления обратно в амплитудное
В квантовой оценке фазы QFT работает как точный «частотомер» для квантовых состояний
Если у нас есть собственное состояние унитарного оператора с неизвестной фазой, QFT может извлечь эту фазу с экспоненциальной точностью — n кубитов дают точность до 2–n радиан
Это как если бы у вас был музыкальный инструмент, который может определить частоту ноты с точностью до миллионных долей герца
Но самое захватывающее в QFT — это то, как он превращает локальную информацию в глобальную
Классические алгоритмы должны «собирать» информацию по кусочкам, QFT же благодаря квантовой суперпозиции и интерференции извлекает глобальные свойства функции за один «взгляд»
Это принципиально новый способ обработки информации, который становится основой квантового превосходства
QFT — это мост между дискретной математикой и непрерывной физикой, между классическими вычислениями и квантовой реальностью
Когда квантовые компьютеры станут повсеместными, именно QFT будет тем инструментом, который откроет доступ к решению задач, которые сегодня кажутся невозможными
Пусть есть сложный квантовый сигнал — суперпозиция множества состояний с разными амплитудами
Классический компьютер должен был бы анализировать каждую компоненту по отдельности, что заняло бы экспоненциальное время
QFT же благодаря квантовому параллелизму анализирует все компоненты одновременно
В основе QFT лежит та же математическая идея, что и в классическом преобразовании Фурье: любой сигнал можно разложить на синусоиды разных частот
Но в квантовом случае «сигналом» служит вектор амплитуд квантового состояния, а «частоты» — это фазовые соотношения между базисными состояниями
Классический алгоритм быстрого преобразования Фурье требует O(N log N) операций для обработки N точек данных
Квантовый же требует всего O(n2) квантовых гейтов для n кубитов, где N = 2n
Это означает экспоненциальное ускорение: для обработки миллиона точек классически нужно около 20.000.000 операций, квантово — всего 400 гейтов!
Секрет такой эффективности — в умной декомпозиции. QFT можно представить как произведение простых операций: гейтов Адамара и контролируемых фазовых сдвигов
Каждый кубит последовательно обрабатывается гейтом Адамара, который создаёт суперпозицию, а затем серией контролируемых поворотов, которые вносят нужные фазовые сдвиги в зависимости от состояний других кубитов
Практическая реализация на Qiskit выглядит удивительно компактно:
from qiskit import QuantumCircuit
from qiskit.circuit.library import QFT
import numpy as np
def create_qft_demo(n_qubits):
"""Демонстрация QFT для поиска периода"""
qc = QuantumCircuit(n_qubits)
# Подготавливаем периодическое состояние
for i in range(n_qubits):
qc.h(i)
# Добавляем фазовые сдвиги для создания периода
period = 3
for i in range(n_qubits):
qc.p(2 * np.pi * i / period, i)
# Применяем QFT
qft = QFT(n_qubits)
qc.compose(qft, inplace=True)
return qc
# Создаём и визуализируем схему
circuit = create_qft_demo(4)
print("QFT готов к поиску скрытого периода!")
Ещё одно удивительное свойство QFT — его обратимость
Поскольку это унитарное преобразование, существует обратный QFT†, который точно восстанавливает исходное состояние
Это критически важно для квантовых алгоритмов, когда нужно «распаковать» информацию из частотного представления обратно в амплитудное
В квантовой оценке фазы QFT работает как точный «частотомер» для квантовых состояний
Если у нас есть собственное состояние унитарного оператора с неизвестной фазой, QFT может извлечь эту фазу с экспоненциальной точностью — n кубитов дают точность до 2–n радиан
Это как если бы у вас был музыкальный инструмент, который может определить частоту ноты с точностью до миллионных долей герца
Но самое захватывающее в QFT — это то, как он превращает локальную информацию в глобальную
Классические алгоритмы должны «собирать» информацию по кусочкам, QFT же благодаря квантовой суперпозиции и интерференции извлекает глобальные свойства функции за один «взгляд»
Это принципиально новый способ обработки информации, который становится основой квантового превосходства
QFT — это мост между дискретной математикой и непрерывной физикой, между классическими вычислениями и квантовой реальностью
Когда квантовые компьютеры станут повсеместными, именно QFT будет тем инструментом, который откроет доступ к решению задач, которые сегодня кажутся невозможными
Исследование от международной коллаборации ведущих университетов и исследовательских центров
Интернет эволюционирует от библиотеки документов к экосистеме взаимодействующих интеллектов, где агенты создают контент друг для друга, возможно никогда не показывая его людям
Главное, на что делают акцент исследователи - переход от "пользователь делает" к "пользователь делегирует" — вместо ручного выполнения задач в интернете, люди теперь ставят цели, а Ml-агенты автономно их достигают
Какие изменения предполагаются:
1. Веб-страницы становятся активными программными агентами
2. Гиперссылки превращаются в каналы координации между агентами
3. Информация встраивается в параметры Ml-моделей, а не хранится в документах
Новые протоколы связи:
MCP — агенты ↔ инструменты/сервисы
A2A — агент ↔ агент прямая коммуникация
Экономика внимания Ml-агентов - сервисы теперь конкурируют не за клики людей, а за выбор агентами
Рождается новая бизнес-модель, где агенты становятся "покупателями"
Вызовы:
Безопасность — как контролировать автономные системы
Экономика — кто платит за действия агентов
Управление — как регулировать машинные решения
Доверие — как обеспечить надежность агентов
GitHub
Интернет эволюционирует от библиотеки документов к экосистеме взаимодействующих интеллектов, где агенты создают контент друг для друга, возможно никогда не показывая его людям
Главное, на что делают акцент исследователи - переход от "пользователь делает" к "пользователь делегирует" — вместо ручного выполнения задач в интернете, люди теперь ставят цели, а Ml-агенты автономно их достигают
Какие изменения предполагаются:
1. Веб-страницы становятся активными программными агентами
2. Гиперссылки превращаются в каналы координации между агентами
3. Информация встраивается в параметры Ml-моделей, а не хранится в документах
Новые протоколы связи:
MCP — агенты ↔ инструменты/сервисы
A2A — агент ↔ агент прямая коммуникация
Экономика внимания Ml-агентов - сервисы теперь конкурируют не за клики людей, а за выбор агентами
Рождается новая бизнес-модель, где агенты становятся "покупателями"
Вызовы:
Безопасность — как контролировать автономные системы
Экономика — кто платит за действия агентов
Управление — как регулировать машинные решения
Доверие — как обеспечить надежность агентов
GitHub
arXiv.org
Agentic Web: Weaving the Next Web with AI Agents
The emergence of AI agents powered by large language models (LLMs) marks a pivotal shift toward the Agentic Web, a new phase of the internet defined by autonomous, goal-driven interactions. In...